Professional Documents
Culture Documents
Fakultas Industri Kreatif dan Telematika, Universitas Trilogi, Jl. Duren Tiga Timur No.30 Kota
Jakarta Selatan, Indonesia, 12760
e-mail: rizkyfirdaus0309@gmail.com
Submitted Date: December 25th, 2020 Reviewed Date: December 31th, 2020
Revised Date: December 31th, 2020 Accepted Date: January 05th, 2021
Abstract
Fertile chicken eggs are eggs that can hatch because these eggs have a development in the form of
dots of blood and blood vessels or can be called an embryo, while infertile chicken eggs are a type of egg
that cannot be hatched because there is no embryo development in the hatching process. Inspection of
infertile chicken eggs must be carried out especially for breeders who will carry out the selection and
transfer of fertile chicken eggs and infertile chicken eggs. However, currently, the selection of fertile and
infertile chicken eggs is still using a less effective way, namely only by looking at the egg shell or called
candling, this process is certainly less accurate to classify which eggs are fertile and infertile eggs because
not all breeders are able to see the results of the eggs properly. candling so that the possibility of prediction
errors. Therefore, in this study, a classification of fertile chicken eggs and infertile chicken eggs will be
carried out based on candling results using the Convolutional Neural Network method. From the results of
the classification carried out, the percentage of accuracy obtained for the classification of fertile and infertile
chicken eggs is 98% and an error of 5%.
Keywords: Fertile Eggs; Infertile Eggs; Convolutional Neural Network; Deep Learning
Abstrak
Telur fertil merupakan telur yang dapat menetas karena pada telur ini terdapat suatu perkembangan
yang berbentuk nokta darah atau bisa disebut sebagai embrio sedangkan Telur ayam infertil merupakan
jenis telur yang tidak dapat ditetaskan karena tidak adanya perkembangan embrio pada proses penetasan.
Pemeriksaan telur ayam infertil harus dilakukan terutama bagi para peternak yang akan melakukan
penseleksian serta pemindahan mana telur ayam fertil dan telur ayam infertil. Namun, saat ini penseleksian
telur ayam fertil dan infertil ini masih menggunakan cara yang kurang efektif yaitu hanya dengan
meneropong cangkang telur atau disebut dengan candling proses ini tentunya kurang akurat untuk
mengklasifikasikan mana telur fertil dan telur infertil karena tidak semua peternak mampu melihat dengan
baik hasil dari candling tersebut sehingga kemungkinan terjadinya kesalahan prediksi. Dari permasalahan
tersebut, maka dalam penelitian ini akan dilakukan klasifikasi telur ayam fertil dan telur ayam infertil
berdasarkan hasil candling dengan metode Convolutional Neural Network. Dari hasil klasifikasi yang
dilakukan, persentase akurasi yang didapatkan untuk klasifikasi telur ayam fertil dan infertil adalah 98%
dan error sebesar 5%.
Kata Kunci: Telur Fertil; Telur Infertil; Convolutional Neural Network; Deep Learning
http://openjournal.unpam.ac.id/index.php/informatika 563
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Penerbit: Program Studi Teknik Informatika Universitas Pamulang e-ISSN: 2622-4615
Vol. 5, No. 4, Desember 2020 (563-571) 10.32493/informatika.v5i4.8556
relatif lebih murah dan mudah untuk diperoleh melihat dengan baik hasil dari candling tersebut
selain itu juga telur ini memiliki nilai gizi yang baik sehingga kemungkinan terjadinya kesalahan
(Maimunah & Rokhman, 2018). Jenis penghasilan prediksi. Dengan menerapkan Algoritma
telur ini dibagi menjadi dua kelompok yaitu telur Convolutiunal Neural Network penseleksian
yang dapat ditetaskan (fertile) dan telur yang tidak tersebut dapat dilakukan secara lebih efektif
dapat ditetaskan (infertile). Telur fertil merupakan sehingga membuat para peternak telur ayam lebih
telur yang dapat menetas karena pada telur ini mudah untuk melakukan penseleksian.
terdapat suatu perkembangan yang berbentuk nokta Penseleksian dilakukan dengan cara meneropong
darah atau bisa disebut sebagai embrio (Nurdiyah cangkang telur kemudian mengolah hasil
& Muwakhid, 2016). Telur fertil ini dapat menetas peneropongan tersebut menggunakan Algoritma
karena di dalam telur tersebut memiliki sperma dari Convolutional Neural Network dengan beberapa
ayam jantan sehingga telur-telur fertil ini bisa dataset yang sudah dikumpulkan melalui studi
untuk dikonsumsi maupun ditetaskan. Jika telur lapangan metode ini mampu untuk mengklasifikan
fertil ini dierami dengan suhu yang tepat maka telur ayam fertil dan telur ayam infertil.
kemungkinan besar telur ini akan menetas. Namun,
tidak semua jenis telur fertil ini dapat menetas 2. Tinjauan Pustaka
karena untuk proses penetasan ini telur harus Dalam penelitian dibutuhkan dukungan
melalui proses inkubasi selama beberapa jam lalu penelitian dari penelitian sebelumnya. Penulis telah
disimpan pada suhu yang tepat agar embrio mengumpulkan tiga literatur yang berhubungan
berkembang dan kemudian menetas. Telur fertil dengan penelitian ini. Penelitian (Arini, Ubaidillah,
biasanya akan menetas selama kurang lebih 21 hari. Wibisono, & Ulum, 2020). Dalam penelitian ini
Agar terhindar dari berbagai bakteri dan penyakit dijelaskan bahwa untuk meningkatkan persentase
pada telur fertil ini, penetasan telur membutuhkan dalam proses penetasan telur dibutuhkan suatu
benih berkualitas agar ayam yang menetas dapat penanganan yang dapat memisahkan mana telur
sehat dan tahan terhadap penyakit (Diantoro & fertil dan mana telur infertil. Penanganan yang
Santoso, 2017). Sedangkan telur infertil merupakan dilakukan untuk pemisahan telur tersebut dapat
jenis telur yang tidak dapat ditetaskan karena tidak dilakukan dengan proses candling atau
adanya perkembangan embrio pada proses peneropongan telur. Hasil dari penelitian ini adalah
penetasan. Pada Dasarnya telur ini juga dibuahi sebuah sistem yang dapat mengidentifikasi telur
oleh jantan namun ketika proses penetasan, telur yang fertil dan telur infertil. Metode yang
jenis ini ternyata tidak dapat menetas (ISNAWATI, digunakan dalam penelitian ini adalah Image
2018). Meskipun telur fertil dan telur infertil dapat Processing. Terdapat perbedaan dengan penelitian
dikonsumsi, hasil telur dari kedua proses ini yang dilakukan Nur Farida Arini, Achmad
terdapat beberapa perbedaan yaitu; menurut Ubaidillah, Kunto Aji Wibisono dan Miftachul
penelitian (Nawawi, Rahmad, & Syahputra, 2015) Ulum dengan penelitian yang dilakukan saat ini
dijelaskan bahwa telur infertil bisa menjadi tempat yaitu metode yang digunakan peneliti saat ini
berkembang biak jamur hal tersebut disebabkan adalah Algoritma Convolutional Neural Network
karena terdapat perbedaan suhu pada telur dan suhu meskipun metode ini sama dengan Image
yang diwakili oleh termometer inkubator, telur Processing namun arsitektur yang diterapkan
infertil biasanya akan lebih cepat membusuk berbeda dan juga pada penelitian saat ini belum ada
daripada telur fertil, karena kontaminasi jamur atau sistem yang dapat digunakan untuk melakukan
bakteri yang ada pada telur infertil dapat klasifikasi telur fertil dan telur infertil. Penelitian
menghasilkan tekanan yang memungkinkan telur (Prasmatio, Rahmat, & Yuniar, 2020). Dalam
tersebut pecah di inkubator. Pemeriksaan telur penelitian ini dijelaskan bahwa jumlah pakar ikan
ayam infertil harus dilakukan terutama bagi para yang ada di Indonesia tidak mencukupi untuk
peternak yang akan melakukan penseleksian serta melakukan identifikasi ikan yang ada Indonesia.
pemindahan mana telur ayam fertil dan telur ayam Oleh sebab itu dibutuhkan suatu sistem yang dapat
infertil. Namun, saat ini penseleksian telur ayam membantu para pakar tersebut dalam
fertil dan infertil ini masih menggunakan cara yang mengidentifikasi jenis ikan. Sistem identifikasi ini
kurang efektif yaitu hanya dengan meneropong akan menerapkan Algoritma Convolutional Neural
cangkang telur atau disebut dengan candling proses Network dalam proses identifikasinya. Hasil dari
ini tentunya kurang akurat untuk penelitian ini adalah suatu sistem yang dapat
mengklasifikasikan mana telur ayam fertil dan telur mempermudah para pakar ikan dalam
ayam infertil karena tidak semua peternak mampu mengidentifikasi jenis-jenis ikan yang ada di
http://openjournal.unpam.ac.id/index.php/informatika 564
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Penerbit: Program Studi Teknik Informatika Universitas Pamulang e-ISSN: 2622-4615
Vol. 5, No. 4, Desember 2020 (563-571) 10.32493/informatika.v5i4.8556
http://openjournal.unpam.ac.id/index.php/informatika 565
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Penerbit: Program Studi Teknik Informatika Universitas Pamulang e-ISSN: 2622-4615
Vol. 5, No. 4, Desember 2020 (563-571) 10.32493/informatika.v5i4.8556
7−3+0
Stride 1 -> + 1=5
1
7−3+0
Stride 2-> +2=3
1
𝑁 − 𝐹 + 2𝑃
+1
𝑆
Keterangan: Gambar 4. Proses Pooling Layer
N: Ukuran spasial (tinggi H1 = lebar W1)
dari input yang ada pada gambar. 3) Fully Connected Layer
F: Merupakan ukuran spasial filter Hasil feature map dari kedua layer
P: Suatu parameter di mana parameter ini sebelumnya masih berbentuk
menentukan jumlah pixel, lalu akan multidimensional array oleh sebab itu
ditambahkan pada setiap sisi dari input, diperlukan proses reshape feature map
disebut juga sebagai Zero Padding agar menjadi sebuah vector.
S: Besaran pergeseran filter pada setiap Merupakan layer yang digunakan
proses komputasi disebut juga dengan untuk melakukan transformasi pada
Stride. data dimensi dengan tujuan data
tersebut dapat diklasifikasikan secara
Jika dilihat dari ilustrasi gambar di atas linear. Neuron-neuron yang ada pada
maka perhitungan komputasinya adalah convolutional layer harus
sebagai berikut. ditransformasikan kembali menjadi
• N =7 data array satu dimensi setelah itu
• F =3 dimasukkan ke dalam arsitektur ini.
Proses ini bertujuan agar data yang ada
• P (Padding) =0
tidak kehilangan informasi spasial dan
• S (Stride) = 2 (Didapatkan tidak reversible. Arsitektur ini harus
berdasarkan pergeseran filter)
http://openjournal.unpam.ac.id/index.php/informatika 566
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Penerbit: Program Studi Teknik Informatika Universitas Pamulang e-ISSN: 2622-4615
Vol. 5, No. 4, Desember 2020 (563-571) 10.32493/informatika.v5i4.8556
http://openjournal.unpam.ac.id/index.php/informatika 567
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Penerbit: Program Studi Teknik Informatika Universitas Pamulang e-ISSN: 2622-4615
Vol. 5, No. 4, Desember 2020 (563-571) 10.32493/informatika.v5i4.8556
Setelah proses pembagian data telah selesai, terbagi menjadi 2 kelas. Setelah proses ini
maka selanjutnya adalah mempersiapkan selanjutnya adalah membangun arsitektur
data latih dan data testing yang nantinya dari Convolutional Neural Network. Baris
akan diberikan ke model. Proses ini kode untuk membangun arsitektur
menggunakana Image Data Generator yang Convolutional Neural Network dapat dilihat
telah tersedia di dalam library Tensorflow. pada gambar 9.
Fungsi dari Image Data Generator adalah
melakukan preprocessing data, pelabelan
sampel dan augmentasi gambar. Proses
augmentasi gambar bertujuan untuk
membuat data-data baru dari data yang telah
ada. Pada gambar 7 dapat dilihat proses dari
augmentasi gambar pada setiap dataset.
1. Convolutional Layer
Dari baris kode pada gambar 9 proses
Convolutional Layer terdapat pada fungsi
Conv2D yang berguna untuk melakukan
konvolusi pada ukuran gambar, di mana
Gambar 7. Proses Augmentasi Gambar
parameter pertama mendefinisikan jumlah
filter, parameter kedua adalah dimensi filter,
Selanjutnya adalah melakukan training pada
parameter ketiga adalah fungsi aktivasi di
model dengan mempersiapkan data latih
mana fungsi aktivasinya menggunakan ReLu,
yang telah dipecah sebelumnya. Proses
lalu pada proses Convolutional Layer pertama
training dapat dilihat pada gambar 8.
terdapat input shape yang artinya bentuk input
dari gambar bertipe RGB dengan ukuran 64x64
pixel dengan jumlah channel adalah 3. resolusi
gambar dari data training. Gambar-gambar
yang terdapat pada dataset memiliki resolusi
gambar 150x150 pixel dan jumlah channel
adalah 3 lalu jumlah filter adalah 3x3.
2. Max Pooling
Max Pooling terdapat setelah proses
konvolusi layer. Proses Max Poolingi terdapat
pada fungsi MaxPooling yang memiliki 1
parameter yaitu jumlah pooling dalam bentuk
matriks di mana dalam kasus ini jumlah polling
Gambar 8. Proses training yang diinisialisasi adalah 2x2 yang berguna
sebagai pixel loss dan precise region. Tujuan
Dapat dilihat bahwa output menampilkan dari proses ini adalah untuk mereduksi resolusi
banyak data dari data latih dan data validasi. gambar sehingga proses pelatihan dari model
Di mana data latih menampilkan 198 gambar akan lebih cepat. Proses konvolusi layer dan
yang terbagi menjadi 2 kelas dan data max pooling dilakukan beberapa kali, dalam
validasi menampilkan 51 gambar yang kasus ini 2 proses tersebut dilakukan sebanyak
http://openjournal.unpam.ac.id/index.php/informatika 568
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Penerbit: Program Studi Teknik Informatika Universitas Pamulang e-ISSN: 2622-4615
Vol. 5, No. 4, Desember 2020 (563-571) 10.32493/informatika.v5i4.8556
http://openjournal.unpam.ac.id/index.php/informatika 569
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Penerbit: Program Studi Teknik Informatika Universitas Pamulang e-ISSN: 2622-4615
Vol. 5, No. 4, Desember 2020 (563-571) 10.32493/informatika.v5i4.8556
Gambar 12. Visualisasi Grafik Proses Training Gambar 14. Proses Klasifikasi Telur Ayam
Infertil
Visualisasi grafik pada gambar 12
menunjukkan bahwa proses training pada Pada gambar 13 dan 14 dapat dilihat bahwa
akurasi mengalami kenaikan pada setiap model yang telah dibuat mampu untuk
epochs dan pada loss mengalami penurunan. mengklasifikasikan antara telur ayam fertil
Selanjutnya pada tahap terakhir adalah dan telur ayam infertile.
melakukan klasifikasi telur ayam fertil dan
infertil. Proses klasifikasi dapat dilihat pada 5. Kesimpulan dan Saran
gambar 13 untuk telur ayam fertil dan 14 Dari hasil penelitian ini dapat disimpulkan
untuk telur ayam infertil. bahwa:
1. Penerapan Algoritma Convolutional
Neural Network dapat diterapkan untuk
mengklasifikasi telur ayam fertil dan telur
ayam infertil
2. Nilai akurasi yang didapatkan pada proses
klasifikasi adalah 98% dan nilai error
sebesar 5%
Sedangkan kekurangan dari penelitian ini
adalah:
1. Data telur fertil yang diambil adalah telur
yang sudah dierami selama 5 sampai 10
hari sehingga klasifikasi telur hanya dapat
dilakukan pada hari-hari tersebut.
2. Dari grafik yang ada menunjukkan bahwa
adanya kemungkinan jika proses training
model mengalami overfitting karena nilai
antara training dan validasi pada beberapa
Gambar 13. Proses Klasifikasi Telur Ayam Fertil epochs terdapat perbedaan yang cukup
signifikan. Hal tersebut disebabkan karena
dataset yang didapatkan tidak cukup
banyak untuk proses pelatihan dan
validasi.
http://openjournal.unpam.ac.id/index.php/informatika 570
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Penerbit: Program Studi Teknik Informatika Universitas Pamulang e-ISSN: 2622-4615
Vol. 5, No. 4, Desember 2020 (563-571) 10.32493/informatika.v5i4.8556
http://openjournal.unpam.ac.id/index.php/informatika 571